[論文レビュー] Moving Beyond Simulation: Data-Driven Quantitative Photoacoustic Imaging Using Tissue-Mimicking Phantoms.

Janek Gröhl, Thomas R. Else+4 more|arXiv (Cornell University)|Jun 11, 2023

Photoacoustic and Ultrasonic Imaging被引用数 5

ひとこと要約

本研究では、定量的光音響イメージングのための教師ありディープラーニングを可能にする、実験的に特徴付けられた組織模倣ホモトープおよびそのデジタルデュプレートを含む新しいデータセットを紹介する。実験データに基づくU-Netの訓練は、シミュレーションに基づく訓練を著しく上回り、ドメインギャップに起因するバイアスを低減し、モンテカルロ屈折率補正法（約20%の誤差を示す）を上回る吸収係数推定の正確性を達成した。

ABSTRACT

Accurate measurement of optical absorption coefficients from photoacoustic imaging (PAI) data would enable direct mapping of molecular concentrations, providing vital clinical insight. The ill-posed nature of the problem of absorption coefficient recovery has prohibited PAI from achieving this goal in living systems due to the domain gap between simulation and experiment. To bridge this gap, we introduce a collection of experimentally well-characterised imaging phantoms and their digital twins. This first-of-a-kind phantom data set enables supervised training of a U-Net on experimental data for pixel-wise estimation of absorption coefficients. We show that training on simulated data results in artefacts and biases in the estimates, reinforcing the existence of a domain gap between simulation and experiment. Training on experimentally acquired data, however, yielded more accurate and robust estimates of optical absorption coefficients. We compare the results to fluence correction with a Monte Carlo model from reference optical properties of the materials, which yields a quantification error of approximately 20%. Application of the trained U-Nets to a blood flow phantom demonstrated spectral biases when training on simulated data, while application to a mouse model highlighted the ability of both learning-based approaches to recover the depth-dependent loss of signal intensity. We demonstrate that training on experimental phantoms can restore the correlation of signal amplitudes measured in depth. While the absolute quantification error remains high and further improvements are needed, our results highlight the promise of deep learning to advance quantitative PAI.

研究の動機と目的

• シミュレーションと実験的光音響イメージングデータの間のドメインギャップを解消し、正確な光学的性質推定を可能にする。
• 既知の光学的性質を有する実験的ホモトープを用いて、信頼性の高いデータ駆動型の定量的光音響イメージング手法を開発する。
• 実験的データで訓練されたディープラーニングモデルが、従来の屈折率補正法と比較して吸収係数推定をどのように改善するかを評価する。
• 学習モデルの性能を臨床的応用への可能性を示すために、前臨床的in vivoデータで検証する。

提案手法

• 800 nmにおいて吸収率（µa = 0.05–4.0 cm⁻¹）と縮小散乱率（µ′s = 5–15 cm⁻¹）を調整可能な共重合体/油系配合物を用いて、137個の円筒形組織模倣ホモトープを製造した。
• 二重積分球（DIS）システムを用いて光学的性質を測定し、基準真値を確立した。測定の不確実性は約20%と推定された。
• モンテカルロシミュレーションとk-space音響モデリングを用いてホモトープのデジタルデュプレートを生成し、対応するシミュレート済みおよび実験的PA画像データを構築した。
• シミュレート済みおよび実験的PA画像の両方を用いて、U-Netニューラルネットワークを訓練し、画素単位の吸収係数（µa）を予測した。
• 未観測のテストホモトープおよびin vivoマウスデータに訓練済みモデルを適用し、汎化性能および深さ依存信号回復性能を評価した。
• 学習手法をモンテカルロベースの屈折率補正法と比較し、DISで測定された光学的性質を基準として用いた。

実験結果

リサーチクエスチョン

• RQ1 実験的光音響データで訓練されたディープラーニングモデルは、シミュレーションデータで訓練されたモデルよりも、光学的吸収係数推定において優れているか？
• RQ2 シミュレーションと実験の間のドメインギャップが、定量的光音響イメージングの正確性をどの程度損なうか？
• RQ3 学習モデルは、従来の屈折率補正法と比較して、定量化誤差および深さ依存信号回復性能においてどのように異なるか？
• RQ4 ホモトープで訓練されたデータ駆動型モデルは、in vivo前臨床的データに一般化可能か？深さに応じた信号振幅の相関関係を保持できるか？
• RQ5 基準光学的性質測定における主な誤差要因は何か？それらはモデル性能にどのように影響するか？

主な発見

• 実験的データで訓練したU-Netは、シミュレーションデータで訓練したモデルに比べ、より正確で頑健な吸収係数推定を達成した。シミュレーションベースの訓練はアーチファクトとバイアスを引き起こした。
• モンテカルロベースの屈折率補正法は、約20%の定量化誤差を達成し、性能ベンチマークとして機能した。
• テストホモトープでは、実験的データで訓練したU-Netが、特に深さ依存信号推定において、シミュレーションで訓練したモデルよりもスペクトルバイアスを低減した。
• 血液流れホモトープへの応用では、シミュレーションで訓練したモデルが波長依存バイアスを示したが、実験的データで訓練したモデルは深さに応じた信号振幅トレンドを保持した。
• マウスモデルでは、両方の学習ベース手法が深さに応じた信号強度の損失を効果的に回復し、ベースライン手法と比較して深さとの相関性が向上した。
• これらの進展にもかかわらず、絶対的定量化誤差は依然として高く、DIS測定の不確実性（約20%）およびモデル化の近似（例：2次元音響、均一材料）がさらなる改善を制限している。